> **行业/岗位**：自媒体内容运营（知识付费方向，国学内容赛道），一人独立运营
> **用 WorkBuddy 完成的工作**：把"看视频拆文案"这件每天重复的活，变成一条全程本地离线的自动转写流水线——WorkBuddy 里一句话派活，直接产出带时间轴的逐字稿、SRT 字幕和关键帧

---

## 背景：一个人干活，最怕的就是这种活

先交代下人设：**一人公司**，没有团队、没有外包，国学内容赛道从选题、写稿、剪辑到发布全是我一个人。这个身份决定了我的两个做事原则：**钱要花在刀刃上，重复劳动能自动化就自动化**——因为我的时间和现金流一样，都是有限的。

这件事的起因是某个周五晚上。我要拆一条 12 分钟的对标视频——逐字听写文案、标时间轴、分析结构。戴着耳机听了写、写了停，听错一个词就倒回去重放，一条扒完一个多小时，耳朵发麻，眼睛发酸。最崩溃的是扒完发现：这条视频的选题其实不合适，白干。

更扎心的是算账。这种活每周少说三五条，一个月就是二十多个小时——相当于每年有整整一个月的工作日，耗在"按空格键听写"上。我也不是没想过偷懒：试过云端转写 API，按分钟计费，一个月拆视频的钱不算多，但架不住量常年累积；更别扭的是，拆对标视频拆的就是我的选题策略，这些素材和结论摊给第三方云，心理上过不去。

所以我当时给自己定的目标就一句话：**这个活必须消失，而且消失的成本必须是零。**

由此梳理出硬性需求（后面每一条设计决策都从这里出发）：

| # | 需求 | 底线 |
|---|---|---|
| 1 | 费用 | **零 API 费用**，纯本地推理 |
| 2 | 隐私 | 视频/音频**不出本机**，全程离线 |
| 3 | 调用方式 | 在 WorkBuddy 对话框里**直接派活**，不要切出去开命令行 |
| 4 | 精度 | 中文同音词（齐家/其家、厚积薄发）必须识别正确，繁体自动转简体 |
| 5 | 产出 | 逐字稿 + SRT 字幕 + 关键帧，能直接喂给下游写作流水线 |
| 6 | 硬件 | 只有 GTX1660 6GB，不能 OOM |

其中第 3 条是WorkBuddy 带来的关键变化：在这之前我也折腾过本地 Whisper，但每次都要开命令行、敲参数、找文件，工具在本地却离工作流很远，用三次就烦了。真正让这条流水线"活下来"的，是它接进了 WorkBuddy——**派活像跟同事说话一样，转完直接把报告递到你面前**。工具离人近，才用得下去。
![fig1_架构图.png](https://developer.qcloudimg.com/http-save/yehe-12012421/a6f9f33149c4c55c13e2c9223bcef9bf.png)
自研 MCP 连接器流水线架构

## 一、输入材料

- **本地视频文件**：mp4/mov/mkv/avi 等 ffmpeg 可解码格式（本文示例是一条 20 秒自制中文测试视频 `zh_speech_test.mp4`，640×360，含"修身齐家治国平天下""厚积薄发"等同音词陷阱句；生产场景是 10 分钟以上的国学讲解视频）
- **本地模型**：faster-whisper large-v3（约 3GB，放本地 `models/faster-whisper-large-v3/` 目录，配齐 `vocabulary.txt` 与 `preprocessor_config.json`）
- **运行环境**：Windows 10、i5-14400F、16GB 内存、GTX1660 6GB、独立 Python venv、ffmpeg（PATH 可达）

所有材料均为本人自产，无任何第三方版权素材与客户数据。

## 二、WorkBuddy 配置

### 2.1 配置思路：为什么是"自研 MCP 连接器"

WorkBuddy 原生调用外部能力的通道有 Skill、连接器/MCP 等。要满足"对话框里直接派活"，MCP 是正解——但官方市场的转写类服务要么走云端 API（违背零费用、离线两条底线），要么功能不贴身。所以我按 MCP 官方协议**自建了一个本地 Server**（fastmcp，stdio 传输），WorkBuddy 以子进程方式托管它，对话里调用工具等于调用本地函数。

架构分层（各文件单一职责，方便单独改）：

```
server.py            MCP 入口，暴露 summarize_video / health_check 两个工具
summarizer.py        核心流水线：设备探测→模型加载→转写→后处理
frame_extractor.py   ffprobe 元数据探测 + OpenCV 按 interval 抽帧
encoder.py           关键帧 JPEG 编码落盘
prompt.py            4 种输出样式模板（short/timeline/detailed/technical）
main.py              独立 CLI（不走 MCP 也能跑，方便调试）
models/              本地模型，HF_HUB_OFFLINE=1 强制离线
output/<视频名>/     产出目录
.venv/               隔离环境
```

一个容易忽略的工程细节：**MCP 走 stdio 通道，所有日志必须写 stderr**，否则打印一行 stdout 就会把协议流污染掉。

### 2.2 真实注册配置（mcp.json 节选，可照抄）

```jsonc
"video-summary-mcp": {
  "command": "D:/_MCP/video-summary-mcp/.venv/Scripts/python.exe",
  "args": ["D:/_MCP/video-summary-mcp/server.py"],
  "cwd": "D:/_MCP/video-summary-mcp",
  "env": {
    "HF_HUB_OFFLINE": "1",              // 禁止联网校验，强制本地模型
    "VSM_MODEL": "large-v3",            // 模型档位，环境变量可切
    "PYTHONIOENCODING": "utf-8",
    "PYTHONUNBUFFERED": "1"
  },
  "disabled": false
}
```

权限设置：仅授权读取本地视频目录、写入本项目 output 目录，无网络权限。

## 三、操作步骤（含真实踩坑，每一条都交过学费）

以下踩坑按实际发生顺序记录。每一坑在当时都意味着"流水线跑不通"或"跑通了但产出是错的"——写出来，希望后来的人不用再交一遍学费。

### 步骤 1：隔离环境与 CUDA 运行库

```bash
python -m venv .venv
pip install faster-whisper fastmcp opencv-python nvidia-cublas-cu12
```

> **踩坑①（官方文档不会告诉你的）**：不需要装 3GB 的完整 CUDA Toolkit，`nvidia-cublas-cu12` 这个 159MB 的 pip 包就够了；但 ctranslate2.dll 对 cublas 是**隐式依赖**，只调 `os.add_dll_directory()` 解析不到，必须**同时**把 DLL 目录塞进 `PATH`——两个都要做，缺一个就报 DLL not found。

### 步骤 2：模型下载与本地化

> **踩坑②**：hf-mirror 镜像已不可达，换 ModelScope 下载后又发现它经常缺 `vocabulary.txt`（报 Cannot load the vocabulary）和 `preprocessor_config.json`（large 模型按 80 mel 跑直接 shape 报错）。写了个 `tools/make_vocabulary.py` 一键补齐，**换模型后必须重跑这一步**。

### 步骤 3：设备策略——CUDA 的坑在 encode 阶段才暴露

ctranslate2 的 CUDA 实例在**加载阶段经常不报错**，直到真正 encode 才抛异常。所以转写函数做成整体重试：CUDA 失败 → 丢弃实例 → 重建 CPU/int8 实例 → 重跑。`health_check` 工具里也明确标注：探测到的设备是静态值，真实生效设备以转写返回为准。

> **踩坑③（本次成文当天真实发生）**：重跑时直接 TypeError——`cpu_threads` 是 `WhisperModel` 的**构造参数**，之前误传给了 `transcribe()`。定位 → 移到构造器 → 复跑通过。全程记录见下图，这就是修 bug 的第一现场：
![fig2_踩坑与实跑日志.png](https://developer.qcloudimg.com/http-save/yehe-12012421/78d871bf0afa69eba309f9636534f615.png)踩坑与修复实录（真实终端日志）

### 步骤 4：精度调优（三连坑）

> **踩坑④**：Whisper 中文默认吐**繁体**。用 `initial_prompt="以下是普通话简体中文内容，请使用简体汉字输出"` 引导解决。
> **踩坑⑤**：medium 模型把"修身**齐**家"听成"修身**其**家"、"**厚积**薄发"听成"**后机**薄发"——同音词是 small/medium 的通病，实测只有 large-v3 能修正（见下方对比图）。
> **踩坑⑥**：长音频（10 分钟以上）开启 `condition_on_previous_text` 会在结尾触发"复读上一句"幻觉，直接关掉。
![fig3_精度对比.png](https://developer.qcloudimg.com/http-save/yehe-12012421/2f7689ed355d997e920bb8544197d993.png)
medium vs large-v3 实测输出对比

### 步骤 5：速度调优——一次被数据否决的优化

> **踩坑⑦（最有价值的一个）**：官方推荐 `BatchedInferencePipeline` 提速。我心想白捡的便宜，接上就用了——直到有天抽查长稿，发现段落顺序明显不对。不死心，写了基准测试（`tests/bench_diff.py`）做串行 vs batch=8 的文本差异比对，结果证实 batch 管线把多个 VAD 片段**并行编码，逐字稿时序错乱、段落被打散重排**——去标点后 827 vs 824 字，差异本质不是字符误差而是段落乱序。那一刻挺后怕的：如果没抽查，乱序的稿子混进写作流水线，我要多花几倍时间人工校对。**速度换不来这个代价，生产永久禁用**，代码里用 `FORBID_BATCHED_PIPELINE` 常量锁死。这条经验对所有用 Whisper 的人都有用：批量管线的时间戳不可信。

### 步骤 6：WorkBuddy 里派活

配置好 mcp.json 后在 WorkBuddy 连接器页信任该 Server，之后对话即用：

> "转写这个视频：D:/素材/xxx.mp4，timeline 样式，关键帧间隔 5 秒"

WorkBuddy 调用 `summarize_video` 工具，返回 Markdown 报告 + 文件路径。第一次跑通的时候，看着对话里直接吐出带时间轴的逐字稿，我的第一反应是：**早两年装这个，能少熬多少个扒文案的夜**。

### 实测数据（2026-09-09 当日实测，同一台机器同一音频）

| 测试项 | 配置 | 结果 |
|---|---|---|
| 20s 中文音频 · 转写 | large-v3 / CUDA / int8_float16 | **0.5s，43.57× 实时** |
| 20s 中文音频 · 转写 | medium / CUDA / float16 | 0.6s，36.44× 实时 |
| 20s 中文音频 · 转写 | medium / CPU / int8（回退路径） | 24.1s |
| 精度（同音词） | large-v3 | **齐家 ✓ 厚积薄发 ✓**（small/medium 均 ✗） |
| 显存占用 | large-v3 / int8_float16 | ~3.5GB（6GB 卡安全） |
| CUDA 提速 | 同模型同音频 | **2.25×** |

> **踩坑⑧（成本核算细节）**：large 模型在 6GB 显存上跑 float16 会 OOM，改用 `int8_float16` 量化，显存降到约 2/3，精度损失可忽略。
![fig4_性能实测.png](https://developer.qcloudimg.com/http-save/yehe-12012421/ae727e6d23c3a9dd4f089288a271ca82.png)
性能实测数据

## 四、产出物

每次转写在 `output/<视频名>/` 下落盘 4 类可验收文件：

```
output/zh_speech_test/
├── transcript.md     带时间轴逐字稿（4 种样式可选）
├── transcript.srt    标准 SRT 字幕，可直接进剪辑软件
├── meta.json         元数据（fps/分辨率/时长/模型/设备/置信度）
└── frames/*.jpg      关键帧（按 interval 抽取）
```
![fig5_产出物实拍.png](https://developer.qcloudimg.com/http-save/yehe-12012421/9c9db7bd131b0ebb7ee065cd84ae9fd6.png)
产出物实拍（真实文件）

**验收标准与下游复用**：逐字稿直接喂 WorkBuddy 写稿流水线做对标拆解；SRT 给剪辑环节做字幕底稿；关键帧用于分析对标视频的画面节奏。一条 10 分钟视频从"派活"到拿全 4 类产出，转写本身只要十几秒，模型加载（约 57s，单例懒加载仅首次）为唯一等待成本。

## 复现清单（照这个做就能跑通）

1. `python -m venv .venv`，安装 faster-whisper / fastmcp / opencv-python / nvidia-cublas-cu12
2. 模型放本地目录，**换模型必跑** `make_vocabulary.py` 补词表
3. `WhisperModel(...)` 构造器里挂 `cpu_threads`（不是 `transcribe()` 里）
4. 生产禁用 `BatchedInferencePipeline`；`condition_on_previous_text=False`
5. `initial_prompt` 锁简体；large 模型用 `int8_float16` 防 OOM
6. mcp.json 注册（本文 2.2 可照抄），日志走 stderr
7. WorkBuddy 连接器页信任 → 对话派活 → 验收 output 目录 4 类文件

**成本对比**：云端转写 API 约 0.3-1 元/分钟，本方案边际成本 0 元；首月即可覆盖模型存储与电费之外的一切开销——而它真正不可替代的是：素材永远不出本机。

## 这条流水线改变的不只是速度

算一笔数字账：一条 12 分钟视频，人工听写约 1 小时 → 现在派活后转写十几秒，人工只做最后通读（约 5 分钟）。按每周拆 5 条算，**每月省下约 20 小时**——差不多两个完整工作日，而且是原本最消耗、最不想干的那些时间。

但真正变化大的是心理层面。以前"拆对标"是需要咬牙启动的苦活，总是一拖再拖，拖到周五晚上不得不干；现在它廉价到我可以**随便拆**——看到一条疑似对标的视频，WorkBuddy 里一句话丢进去，喝口水的工夫文案就在面前，不合适就扔，合适就进选题库。拆 10 条、留 1 条，用废稿喂出一条好选题——以前舍不得做的动作，现在成了日常。

一人公司的核心竞争力，说到底就是让机器干机器的活，把人的时间还给判断和创作。这条流水线没有让我多赚一分钱，但它把我从"按空格键听写"这种事里彻底赎了出来。

---

*文中所有数据均为本机真实实测（GTX1660 6GB / i5-14400F / 16GB，2026-09-09），配置与代码即生产在用版本，可复现。*


行业/岗位：自媒体内容运营（知识付费方向，国学内容赛道），一人独立运营 用 WorkBuddy 完成的工作：把"看视频拆文案"这件每天重复的活，变成一条全程本地离线的自动转写流水线——WorkBuddy 里一句话派活，直接产出带时间轴的逐字稿、SRT 字幕和关键帧

零 API 费用搞定视频转写：自研 MCP 连接器接入 WorkBuddy，faster-whisper large-v3 跑出 43× 实时速率

没有团队、没有外包，从选题、写稿、剪辑到发布全是我一个人。这个身份决定了我的两个做事原则：钱要花在刀刃上，重复劳动能自动化就自动化——因为我的时间和现金流一样，都是有限的。

自媒体运营

人工智能

开发工具

音视频

一人公司用WorkBuddy搭建本地离线视频转写流水线：派活即产出带时间轴逐字稿、SRT字幕和关键帧。GTX1660实测20秒视频转写0.5秒，每月省20小时，隐私零泄露，成本归零。

代码解释

WorkBuddy 

WorkBuddy企业版限时双倍 Credits 活动

workbuddy

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

零 API 费用搞定视频转写：自研 MCP 连接器接入 WorkBuddy，faster-whisper large-v3 跑出 43× 实时速率-腾讯云开发者社区-腾讯云

零 API 费用搞定视频转写：自研 MCP 连接器接入 WorkBuddy，faster-whisper large-v3 跑出 43× 实时速率

零 API 费用搞定视频转写：自研 MCP 连接器接入 WorkBuddy，faster-whisper large-v3 跑出 43× 实时速率

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐